面向端到端视觉运动机器人控制的可供性学习
机器人学
2019-03-12 v1 机器学习
摘要
训练端到端深度机器人策略需要大量特定于领域、任务和硬件的数据，而提供这些数据往往代价高昂。本工作中，我们提议通过采用具有模块化架构的深度神经网络来解决此问题，该网络由分离的感知、策略与轨迹部分组成。系统的每个部分完全在合成数据或仿真中训练。数据在系统各部分之间以可供性与轨迹的低维潜在表示形式交换。随后在零样本迁移场景下使用 Franka Panda 机械臂评估性能。结果表明，从 RGB 图像提取的场景可供性低维表示足以成功训练机械臂操作策略。我们还引入一种可供性数据集生成方法，其易于推广到新任务、物体与环境，且无需人工像素标注。
引用
@article{arxiv.1903.04053,
title = {Affordance Learning for End-to-End Visuomotor Robot Control},
author = {Aleksi Hämäläinen and Karol Arndt and Ali Ghadirzadeh and Ville Kyrki},
journal= {arXiv preprint arXiv:1903.04053},
year = {2019}
}
备注
7 pages, 7 figures. Submitted to 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2019)